detr-resnet-50-finetuned-IDD_Detection

izzako/detr-resnet-50-finetuned-IDD_Detection

detr-resnet-50-finetuned-IDD_Detection is a object detection model from izzako. Use it when you need objects located in an image. It is set up for transformers. The card lists the license as apache-2.0.

should probably proofread and complete it, then remove this comment. --

Downloads · 30 days

1% of all-time downloads

All-time downloads

1.4K

Public

Parameters

43.5M

5.9 GB on disk

Likes

Public

Hugging Face

Repo makeup

Click a slice to open those files.

.safetensors174 MB · 100%

At a glance

Task: Object Detection
Library: transformers
License: apache-2.0
Model type: conditional_detr
Access: Public
Created: Jun 7, 2025
Updated: Jun 10, 2025
SHA: 22cab2f9

Base models

microsoft/conditional-detr-resnet-50

Model card

From the Hugging Face model README

detr-resnet-50-finetuned-IDD_Detection

This model is a fine-tuned version of microsoft/conditional-detr-resnet-50 on the IDD 40K Object Detection Dataset dataset. It achieves the following results on the evaluation set:

Loss: 1.2856
Map: 0.201
Map 50: 0.3458
Map 75: 0.1972
Map Small: 0.013
Map Medium: 0.1528
Map Large: 0.5114
Mar 1: 0.1556
Mar 10: 0.2586
Mar 100: 0.2731
Mar Small: 0.0489
Mar Medium: 0.2658
Mar Large: 0.6352
Map Traffic sign: 0.0501
Mar 100 Traffic sign: 0.1018
Map Motorcycle: 0.2357
Mar 100 Motorcycle: 0.3139
Map Car: 0.2965
Mar 100 Car: 0.3588
Map Rider: 0.1808
Mar 100 Rider: 0.2669
Map Person: 0.1263
Mar 100 Person: 0.223
Map Truck: 0.2546
Mar 100 Truck: 0.3507
Map Autorickshaw: 0.2901
Mar 100 Autorickshaw: 0.3448
Map Vehicle fallback: 0.0144
Mar 100 Vehicle fallback: 0.0715
Map Bus: 0.3606
Mar 100 Bus: 0.4265

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 6
eval_batch_size: 6
seed: 42
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: cosine
num_epochs: 30

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Small	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	Mar Small	Mar Medium	Mar Large	Map Traffic sign	Mar 100 Traffic sign	Map Motorcycle	Mar 100 Motorcycle	Map Car	Mar 100 Car	Map Rider	Mar 100 Rider	Map Person	Mar 100 Person	Map Truck	Mar 100 Truck	Map Autorickshaw	Mar 100 Autorickshaw	Map Vehicle fallback	Mar 100 Vehicle fallback	Map Bus	Mar 100 Bus
1.6239	1.0	5188	1.6662	0.0806	0.1632	0.0709	0.002	0.0412	0.2409	0.0929	0.1621	0.1731	0.0146	0.1274	0.4394	0.0033	0.0132	0.0916	0.1752	0.1867	0.261	0.0816	0.1709	0.0588	0.1502	0.0713	0.2307	0.0943	0.2282	0.0001	0.0156	0.1378	0.3124
1.5535	2.0	10376	1.6011	0.102	0.201	0.0931	0.004	0.0522	0.3001	0.1001	0.171	0.1822	0.0169	0.1394	0.4654	0.0103	0.0263	0.1349	0.2179	0.193	0.2555	0.0994	0.1928	0.071	0.154	0.0903	0.2369	0.1574	0.23	0.0002	0.0161	0.1614	0.3105
1.5161	3.0	15564	1.5392	0.1235	0.2282	0.1169	0.0034	0.0649	0.3553	0.1156	0.1952	0.2076	0.0215	0.1653	0.5329	0.0166	0.0457	0.1423	0.2214	0.2119	0.2802	0.1162	0.201	0.081	0.1689	0.1258	0.2867	0.1893	0.2707	0.0016	0.0397	0.2266	0.354
1.4855	4.0	20752	1.5055	0.1347	0.2441	0.1298	0.0052	0.0703	0.375	0.1175	0.1953	0.208	0.0227	0.1707	0.5186	0.0085	0.039	0.1573	0.2389	0.2286	0.2925	0.1231	0.2122	0.0793	0.1666	0.1536	0.2645	0.2059	0.2774	0.0014	0.0278	0.2548	0.3528
1.4575	5.0	25940	1.5208	0.1332	0.2414	0.1272	0.0045	0.0721	0.3748	0.1195	0.1989	0.2099	0.0198	0.1682	0.5456	0.013	0.0488	0.1543	0.2278	0.2264	0.2839	0.1251	0.213	0.0765	0.1615	0.1449	0.2847	0.2035	0.2711	0.0029	0.0409	0.2526	0.3577
1.4349	6.0	31128	1.4843	0.1372	0.2523	0.1292	0.0056	0.0784	0.3808	0.119	0.1958	0.2089	0.0231	0.1747	0.5256	0.0203	0.0497	0.1548	0.2402	0.2136	0.2928	0.1209	0.2065	0.0808	0.16	0.1654	0.2683	0.1987	0.2651	0.0039	0.04	0.2761	0.3573
1.4424	7.0	36316	1.4735	0.1415	0.2549	0.1354	0.0056	0.0792	0.39	0.1226	0.1999	0.2126	0.0255	0.1775	0.5322	0.018	0.0534	0.1599	0.2443	0.2346	0.2975	0.1209	0.2132	0.085	0.1717	0.1684	0.2711	0.1988	0.2651	0.0066	0.0438	0.2815	0.353
1.4086	8.0	41504	1.5109	0.1347	0.2526	0.1271	0.0032	0.0729	0.3877	0.1193	0.1968	0.2079	0.0167	0.1638	0.5556	0.0209	0.0601	0.1439	0.2253	0.2071	0.2694	0.1135	0.1972	0.0784	0.1676	0.1782	0.2772	0.2043	0.2602	0.007	0.0543	0.2592	0.36
1.3875	9.0	46692	1.4253	0.1601	0.2839	0.1555	0.006	0.0958	0.436	0.1321	0.2156	0.2276	0.0281	0.1998	0.5661	0.0265	0.0664	0.1844	0.2589	0.2468	0.3084	0.1384	0.2214	0.0957	0.1787	0.1985	0.3	0.2388	0.2907	0.0097	0.0447	0.3018	0.3792
1.3833	10.0	51880	1.4202	0.1607	0.2868	0.1551	0.007	0.0982	0.4347	0.1328	0.2189	0.2335	0.0324	0.2094	0.5702	0.0293	0.0674	0.1818	0.2647	0.2523	0.3166	0.1394	0.2342	0.0937	0.1874	0.2007	0.2968	0.2334	0.3041	0.0072	0.0521	0.3085	0.3785
1.3663	11.0	57068	1.4030	0.1652	0.2903	0.161	0.0079	0.1024	0.4406	0.134	0.2211	0.2341	0.031	0.2102	0.5678	0.0247	0.0641	0.1954	0.2732	0.2561	0.3194	0.1465	0.2332	0.0998	0.1868	0.2096	0.3072	0.2421	0.3027	0.0097	0.0517	0.3025	0.3686
1.3411	12.0	62256	1.4126	0.1655	0.2944	0.1597	0.0076	0.1043	0.448	0.1358	0.2219	0.2362	0.0306	0.2121	0.5815	0.0285	0.0671	0.1876	0.2795	0.2553	0.3173	0.1432	0.2367	0.0993	0.1934	0.2121	0.3046	0.2445	0.3068	0.0081	0.051	0.311	0.3697
1.3427	13.0	67444	1.3830	0.172	0.2999	0.1685	0.0086	0.1144	0.4606	0.1396	0.2302	0.2428	0.0326	0.2235	0.5903	0.0313	0.0752	0.2009	0.2815	0.2602	0.3193	0.1539	0.2342	0.1042	0.1961	0.2177	0.3235	0.2567	0.3167	0.0093	0.055	0.3143	0.3833
1.3149	14.0	72632	1.3696	0.1716	0.3031	0.1673	0.0083	0.1171	0.4578	0.1402	0.2316	0.2453	0.0356	0.2248	0.594	0.0301	0.0768	0.1926	0.2809	0.2629	0.3285	0.1509	0.2373	0.1086	0.206	0.2206	0.3184	0.2564	0.3159	0.0107	0.057	0.3112	0.3866
1.3022	15.0	77820	1.3576	0.1755	0.3073	0.1729	0.0088	0.1205	0.4661	0.1421	0.2334	0.2462	0.0355	0.2277	0.5949	0.0354	0.0883	0.2036	0.2813	0.2656	0.3262	0.1557	0.2355	0.1045	0.2	0.2241	0.3201	0.2613	0.3207	0.0109	0.0513	0.318	0.3923
1.2817	16.0	83008	1.3502	0.1808	0.3163	0.1777	0.0099	0.1281	0.4731	0.1465	0.2401	0.2541	0.0381	0.241	0.6074	0.0418	0.0901	0.2089	0.2892	0.2728	0.3374	0.1611	0.2495	0.1125	0.2037	0.2287	0.3307	0.2607	0.3217	0.0081	0.061	0.3327	0.4034
1.2807	17.0	88196	1.3419	0.181	0.3179	0.1765	0.0097	0.1268	0.4758	0.1441	0.24	0.2539	0.041	0.2382	0.6049	0.039	0.0904	0.2087	0.2893	0.2716	0.3344	0.1616	0.2492	0.1138	0.2065	0.2306	0.3252	0.2648	0.3292	0.0111	0.0639	0.3273	0.3969
1.2689	18.0	93384	1.3448	0.1832	0.3208	0.178	0.0091	0.1305	0.4763	0.1453	0.2393	0.254	0.0387	0.2399	0.6028	0.041	0.0929	0.2131	0.2928	0.2772	0.3403	0.1588	0.247	0.1121	0.2118	0.2357	0.323	0.2682	0.3264	0.0099	0.0586	0.333	0.3932
1.2664	19.0	98572	1.3336	0.1889	0.3291	0.1843	0.0104	0.1355	0.489	0.1493	0.2445	0.2586	0.0425	0.2457	0.6106	0.0451	0.0943	0.2183	0.2947	0.2796	0.3414	0.1676	0.2547	0.1186	0.2129	0.2419	0.3372	0.268	0.3257	0.0125	0.0603	0.3484	0.4064
1.2393	20.0	103760	1.3165	0.1911	0.3302	0.1876	0.0113	0.1395	0.4936	0.1494	0.2486	0.2628	0.0441	0.2526	0.618	0.0408	0.0892	0.2228	0.2994	0.285	0.3425	0.1728	0.2593	0.12	0.2243	0.2408	0.3379	0.277	0.332	0.0133	0.0648	0.3471	0.4155
1.2353	21.0	108948	1.3125	0.1935	0.3354	0.1899	0.0116	0.1433	0.4976	0.1511	0.2498	0.2633	0.0451	0.2556	0.6148	0.0472	0.0931	0.2266	0.3023	0.2885	0.3484	0.1742	0.2608	0.1188	0.2107	0.2402	0.3358	0.28	0.337	0.015	0.064	0.3508	0.418
1.2166	22.0	114136	1.3075	0.1939	0.3342	0.1916	0.0115	0.1461	0.4994	0.1528	0.2522	0.2664	0.0426	0.257	0.6304	0.0464	0.0942	0.2276	0.3042	0.2872	0.3466	0.1773	0.2652	0.1201	0.2245	0.2419	0.341	0.2797	0.3361	0.0127	0.068	0.3524	0.4175
1.201	23.0	119324	1.3020	0.1961	0.339	0.1923	0.0119	0.1459	0.504	0.1528	0.2533	0.2672	0.0459	0.2566	0.6286	0.0465	0.0977	0.2267	0.3047	0.2899	0.354	0.1757	0.2599	0.1225	0.2139	0.2504	0.3459	0.2845	0.338	0.0133	0.0678	0.3553	0.4233
1.2114	24.0	124512	1.2976	0.1969	0.3399	0.1922	0.0122	0.1475	0.506	0.1537	0.2551	0.2694	0.0457	0.2624	0.6312	0.0453	0.096	0.231	0.3096	0.2919	0.3576	0.1766	0.2611	0.1222	0.2141	0.2499	0.3493	0.2836	0.3401	0.0136	0.0711	0.358	0.4257
1.1831	25.0	129700	1.2908	0.1991	0.3438	0.195	0.0128	0.152	0.5074	0.1548	0.2572	0.2715	0.0472	0.2642	0.6355	0.0502	0.1015	0.2333	0.3133	0.293	0.3532	0.1785	0.2666	0.1237	0.2208	0.254	0.3495	0.2859	0.342	0.0155	0.0727	0.3573	0.4237
1.1947	26.0	134888	1.2892	0.1993	0.3439	0.1955	0.0126	0.1509	0.5093	0.1544	0.2567	0.2713	0.0479	0.2632	0.6346	0.0485	0.0967	0.2327	0.3123	0.2941	0.3562	0.1794	0.2656	0.1249	0.2239	0.253	0.3485	0.2886	0.3446	0.0139	0.0722	0.3586	0.4214
1.1881	27.0	140076	1.2871	0.1997	0.3444	0.1963	0.0126	0.1519	0.5092	0.155	0.258	0.2726	0.0487	0.2655	0.6345	0.0479	0.0995	0.2328	0.3107	0.2948	0.3584	0.1806	0.2669	0.1264	0.2229	0.2531	0.3516	0.2884	0.3457	0.0139	0.0708	0.3592	0.4273
1.176	28.0	145264	1.2862	0.2002	0.3449	0.1963	0.0128	0.1523	0.5112	0.1551	0.2579	0.2723	0.0486	0.2646	0.6341	0.0492	0.1007	0.2335	0.3116	0.2947	0.3583	0.18	0.2655	0.1259	0.2215	0.2544	0.3513	0.2895	0.3447	0.0143	0.0708	0.3604	0.4261
1.1863	29.0	150452	1.2856	0.2008	0.3456	0.1971	0.0131	0.1528	0.511	0.1554	0.2586	0.2732	0.0488	0.2661	0.6356	0.0497	0.1018	0.2358	0.3144	0.2961	0.3588	0.1806	0.2668	0.1261	0.2229	0.2545	0.351	0.2895	0.3447	0.0143	0.072	0.3603	0.4265
1.1826	30.0	155640	1.2856	0.201	0.3458	0.1972	0.013	0.1528	0.5114	0.1556	0.2586	0.2731	0.0489	0.2658	0.6352	0.0501	0.1018	0.2357	0.3139	0.2965	0.3588	0.1808	0.2669	0.1263	0.223	0.2546	0.3507	0.2901	0.3448	0.0144	0.0715	0.3606	0.4265

Framework versions

Transformers 4.51.3
Pytorch 2.3.1+cu121
Datasets 2.19.1
Tokenizers 0.21.1

Task: Object Detection
Library: transformers
Type: conditional_detr
License: apache-2.0
Created: Jun 7, 2025
Updated: Jun 10, 2025